論文の概要: Refining Student Marks based on Enrolled Modules Assessment Methods
using Data Mining Techniques
- arxiv url: http://arxiv.org/abs/2009.06381v1
- Date: Sun, 30 Aug 2020 19:47:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 07:28:31.369201
- Title: Refining Student Marks based on Enrolled Modules Assessment Methods
using Data Mining Techniques
- Title（参考訳）: データマイニング手法を用いた登録モジュール評価手法に基づく学生マークの精錬
- Authors: Mohammed A. Alsuwaiket, Anas H. Blasi, Khawla Altarawneh
- Abstract要約: スコア作成のために,230万以上の学生記録を調査し,異なるデータ作成プロセスを提案する。
モジュール評価指標がランダム林とナイーブベイズ分類技術を用いた予測過程に及ぼす影響について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Choosing the right and effective way to assess students is one of the most
important tasks of higher education. Many studies have shown that students tend
to receive higher scores during their studies when assessed by different study
methods which include units that are fully assessed by varying the duration of
study or a combination of courses and exams than by exams alone. Many
Educational Data Mining studies process data in advance through traditional
data extraction, including the data preparation process. In this paper, we
propose a different data preparation process by investigating more than 230000
student records for the preparation of scores. The data have been processed
through diverse stages in order to extract a categorical factor through which
students module marks are refined during the data preparation stage. The
results of this work show that students final marks should not be isolated from
the nature of the enrolled module assessment methods. They must rather be
investigated thoroughly and considered during EDM data preprocessing stage.
More generally, educational data should not be prepared in the same way normal
data are due to the differences in data sources, applications, and error types.
The effect of Module Assessment Index on the prediction process using Random
Forest and Naive Bayes classification techniques were investigated. It was
shown that considering MAI as attribute increases the accuracy of predicting
students second year averages based on their first year averages.
- Abstract（参考訳）: 生徒評価の正しい効果的な方法を選択することは、高等教育における最も重要な課題の一つである。
多くの研究では、学習期間やコースと試験の組み合わせによって完全に評価される単位を含む異なる研究方法によって評価される場合、学生は試験単独よりも高いスコアを受ける傾向があることが示されている。
多くの教育データマイニング研究は、データ作成プロセスを含む従来のデータ抽出を通じてデータを前もって処理する。
そこで本研究では,230000名以上の学生記録をスコア作成のために調査し,異なるデータ作成プロセスを提案する。
データ作成段階で学生モジュールマークを洗練する分類因子を抽出するため、データは様々な段階にわたって処理されてきた。
本研究の結果は,登録モジュール評価法の性質から学生の最終マークを分離すべきでないことを示している。
むしろ、EDMデータ前処理の段階で徹底的に調査され、検討されなければならない。
より一般的には、データソース、アプリケーション、エラータイプの違いにより、通常のデータと同じ方法で教育データを作成するべきではない。
モジュール評価指標がランダム林とナイーブベイズ分類技術を用いた予測過程に及ぼす影響を検討した。
その結果,MAIを属性として考えると,初年度平均から2年生平均を予測する精度が向上することがわかった。
関連論文リスト
- A Fair Post-Processing Method based on the MADD Metric for Predictive Student Models [1.055551340663609]
予測的学生モデルにおけるアルゴリズム的公正性を評価するために,新しい尺度が開発された。
本稿では,適切な予測モデルの結果の正確性を保ちつつ,公平性を向上することを目的とした後処理手法を提案する。
我々は、シミュレーションと実世界の教育データを用いて、オンラインコースにおける学生の成功を予測するタスクについて実験を行った。
論文 参考訳（メタデータ） (2024-07-07T14:53:41Z) - Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。
本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。
提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-06-18T16:20:12Z) - A Survey on Data Selection for Language Models [151.6210632830082]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳（メタデータ） (2024-02-26T18:54:35Z) - How to Train Data-Efficient LLMs [56.41105687693619]
事前学習言語モデル(LLM)に対するデータ効率のアプローチについて検討する。
Ask-LLMと密度サンプリングがそれぞれのカテゴリで最適であることがわかった。
何百もの評価タスクと事前学習作業を含む19個のサンプルを比較したところ,Ask-LLMと密度がそれぞれのカテゴリで最適な方法であることが判明した。
論文 参考訳（メタデータ） (2024-02-15T02:27:57Z) - Students Success Modeling: Most Important Factors [0.47829670123819784]
モデルは、卒業する確率の高い生徒、転校する確率の高い生徒、退学して高等教育を終了させる確率の高い生徒を識別する。
実験の結果,初等期において,大学生とリスクの高い学生の区別が合理的に達成できることが示唆された。
このモデルは、学校に3年間滞在する学生の運命を著しく予測している。
論文 参考訳（メタデータ） (2023-09-06T19:23:10Z) - A Predictive Model using Machine Learning Algorithm in Identifying
Students Probability on Passing Semestral Course [0.0]
本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。
新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
論文 参考訳（メタデータ） (2023-04-12T01:57:08Z) - Revisiting Long-tailed Image Classification: Survey and Benchmarks with
New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。
ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文 参考訳（メタデータ） (2023-02-03T02:40:54Z) - Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics [8.642174401125263]
本稿では,学生グループ化基準の異なる層にまたがる推論精度を最適化する多層パーソナライズドフェデレーションラーニング手法を提案する。
提案手法では,個別の学生サブグループに対するパーソナライズされたモデルがグローバルモデルから導出される。
3つの実世界のオンラインコースデータセットの実験は、既存の学生モデルベンチマークよりも、我々のアプローチによって達成された大きな改善を示している。
論文 参考訳（メタデータ） (2022-12-05T17:27:28Z) - Process-BERT: A Framework for Representation Learning on Educational
Process Data [68.8204255655161]
本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。
我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。
当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
論文 参考訳（メタデータ） (2022-04-28T16:07:28Z) - Formulating Module Assessment for Improved Academic Performance
Predictability in Higher Education [0.0]
本稿では,230万以上の学生記録を調査し,異なるデータ作成プロセスを提案する。
ランダム森林分類手法を用いた予測過程におけるCARの影響について検討した。
論文 参考訳（メタデータ） (2020-08-30T19:42:31Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。